基于形态学引导的深度学习用于纳米粒子聚集诊断检测

这项新检测为何重要

对像SARS-CoV-2这样的病毒进行快速且准确的检测，常常在性能与成本之间存在权衡。金标准的基因检测可以检测到极低的病毒量，但依赖昂贵的设备和受过训练的人员。廉价的试纸条检测操作简单，但可能漏检低水平感染。本研究提出了一种基于芯片的检测方法，利用散射光纳米粒子与高效的人工智能模型读取细微的视觉线索，旨在将高灵敏度与低成本和便携性结合起来。

微小颗粒作为信号载体

研究者构建的检测以在特定照明下呈现不同颜色的金属纳米粒子为核心。包金的二氧化硅颗粒在光下显红，而银和小金颗粒则呈蓝或绿。当存在病毒遗传链或一段DNA时，它能与这些颗粒表面的DNA“把手”结合，将颗粒拉拢成微小簇。这些簇的散射光与单个粒子不同。团队并不依赖整体样本的大幅颜色变化，而是关注由数千个单独粒子产生的颜色和形状的细致图案。

简单芯片与低成本成像

为了保持化学与硬件的简洁，作者设计了一种单容器检测，不需要酶、扩增或纯化。对于合成DNA目标，他们将纳米粒子与精心选择的缓冲液混合并短时加热，以便DNA链能桥接颗粒。对真实SARS-CoV-2病毒，他们加入强去污剂和蛋白酶，这些试剂既能破开病毒外壳又能在同一管内保护遗传物质。随后将混合物装入盖玻片上的薄室并用自制暗场显微镜成像，该显微镜使用廉价发光二极管和标准彩色相机记录来自多个小区域的散射光。

教神经网络读取粒子图案

每张显微镜图像包含多达数千个明亮点，每个点对应单个纳米粒子或小簇。团队首先对图像进行清理和归一化，以减小照明和焦距的差异。然后他们在每个亮点周围裁出小图像补丁，并将其输入名为Mc-GNN的自定义深度学习模型。该模型完成两项关键工作：它使用强调不同形状的特殊滤波器，如圆形、环形、边缘或类方形图案，并将这些滤波器的输出视为小图中的节点，从而学习不同形状线索之间的关系。通过在图像中所有粒子上学习这些关系，模型估计样品中存在的病毒或合成DNA的浓度。

与其它方法的性能比较

作者将其方法与依赖图像平均颜色和简单形状度量的传统机器学习模型进行了严格对比。这些方法在最佳情况下也只有大约90%的准确率，并且在区分低目标水平与对照样品时表现欠佳，尤其是对整病毒样本。现成的深度学习模型无论是逐个处理粒子还是将整张图像整体看待，都未能达到预期。相比之下，Mc-GNN在所有测试浓度上，包括飞摩尔级的合成DNA和病毒RNA，均取得了非常高的召回率。它在单次运行中处理数千个粒子补丁，同时使用不到两吉字节的图形内存，这意味着它可以在消费级显卡上快速运行。

这对未来检测可能意味着什么

通过将大量复杂性从化学与光学转移到软件中，这项工作勾画出走向既灵敏又经济便携检测的路径。该检测仍未达到最先进实验室基因检测的灵敏度，但已能在无需扩增或昂贵试剂的情况下达到与真实感染相关的病毒水平。由于该方法读取的是纳米粒子聚集的一般模式，应能适配于新目标，并有可能与小型或基于智能手机的显微镜结合。随着在真实患者样本上的进一步验证和硬件改进，这种基于形态学引导的深度学习有望将可靠的分子诊断更接近于诊所、工作场所和家庭。

引用: Jhawar, K., Chu, XL., DeGrandchamp, J.B. et al. Morphology-guided deep learning for nanoparticle agglomeration diagnostic assays. Sci Rep 16, 15248 (2026). https://doi.org/10.1038/s41598-026-45423-2

关键词: 纳米粒子诊断, 深度学习检测, SARS-CoV-2 检测, 暗场显微镜, 图神经网络